توسعه یک چارچوب یادگیری علی مقاوم مبتنی بر ناوردایی برای تعمیم خارج از توزیع در محیط های پویا

تغییرپذیری مستمر توزیع داده ها میان محیط های آموزشی و عملیاتی، یکی از چالش های اساسی در استقرار سامانه های یادگیری ماشین در شرایط واقعی است. بسیاری از مدل های متعارف یادگیری نظارت شده، به جای یادگیری روابط پایدار و علی میان متغیرها، از همبستگی های آماری وابسته به محیط استفاده می کنند؛ ازاین رو، هنگام مواجهه با تغییر توزیع، تغییر زمینه یا ظهور محیط های مشاهده نشده، افت قابل توجهی در عملکرد آنها رخ می دهد. این مسئله در محیط های پویا که در آنها سازوکار تولید داده، ساختار وابستگی متغیرها و حتی شدت وابستگی های کاذب در طول زمان تغییر می کند، پیچیده تر می شود. در این پژوهش، یک چارچوب یادگیری علی مقاوم مبتنی بر ناوردایی برای تعمیم خارج از توزیع در محیط های پویا ارائه می شود. چارچوب پیشنهادی با ترکیب سه سازوکار اصلی شامل استخراج و تقویت روابط علی پایدار، سرکوب وابستگی های کاذب و سازگاری پویای زمانی تلاش می کند نمایش هایی را یاد بگیرد که نسبت به تغییرات محیطی مقاوم بوده و وابستگی بیشتری به سازوکارهای مولد پایدار داشته باشند. در معماری پیشنهادی، محیط های آموزشی به عنوان منابع متفاوت تغییر توزیع در نظر گرفته شده و یک تابع هدف چندجزئی برای ایجاد توازن میان دقت پیش بینی، ناوردایی بین محیطی، پایداری علی و مقاومت در برابر وابستگی های کاذب تعریف می شود. همچنین، یک مولفه سازگاری زمانی با استفاده از پنجره های متحرک و وزن دهی پویا، تغییرات تدریجی یا ناگهانی در توزیع داده ها را شناسایی کرده و وزن محیط ها و روابط آموخته شده را متناسب با شرایط جدید تنظیم می کند. طراحی آزمایشی پژوهش، مقایسه چارچوب پیشنهادی با روش های متعارف یادگیری ماشین، روش های تعمیم دامنه و رویکردهای مبتنی بر ناوردایی را در سناریوهای مختلف تغییر توزیع دنبال می کند. علاوه بر ارزیابی عملکرد پیش بینی، پایداری مدل، افت عملکرد در محیط خارج از توزیع، حساسیت به تغییرات زمانی و سهم هر مولفه از طریق مطالعه حذف اجزا بررسی خواهد شد. چارچوب ارائه شده با هدف فراهم کردن یک سازوکار یکپارچه برای یادگیری نمایش های مقاوم و قابل تعمیم طراحی شده و می تواند مبنایی برای توسعه سامانه های یادگیری ماشین قابل اعتماد در محیط های غیرایستا قرار گیرد.

کلیدواژه ها:

یادگیری علی ، یادگیری مقاوم ، ناوردایی ، تعمیم خارج از توزیع ، تغییر توزیع ، وابستگی کاذب ، یادگیری چندمحیطی ، سازگاری زمانی ، یادگیری ماشین غیرایستا.